Gelişmiş veri madenciliği tekniklerinin katma değeri, büyük miktardaki verinin gizli bağlantılarını tanımlama yetenekleridir. Buna karşılık müşterilerinin bilinçli ve bilinçdışı düşünmesini aydınlatmak için beyin ve bedenden gelen sinyallerin ölçülmesi, nöropazarlama araçlarını uygulamanın faydalarındandır. Nöropazarlama verilerine veri madenciliği teknikleri uygulayarak müşterileri daha iyi anlayabilmemiz mümkün olabilir. Bu da yeni bir şey olarak adlandırılabilir “zihin madenciliği”.
Neuromarketing Theory & Practice dergisinin önceki sayılarında Carla Nagel, her iki yöntem içinde yaygın olarak “bir sonraki büyük şey” şeklinde bir tanımlama yapmıştı. Uzağın ötesinde, her iki alan da pazarlamacılara müşteri seçimleri ve davranışları hakkında değerli bilgiler sağlayabilir. Ayrıntılı olarak, büyük veri uygulamalarından ve nöropazarlama araçlarından ortak olarak büyük miktarlarda verilerin üretilmesi, toplanması ve analizi yapılır ancak daha da önemlisi, yönetimin karar vermesini desteklemek için potansiyel olarak yararlı bilgiler elde etme ihtiyacını paylaşırlar. Ancak, bu gelişmekte olan alanların her ikisinde de darboğaz var. Çeşitli kaynaklardan tonlarca veri almak ve depolamak kolaydır. Ya da yüz kodlaması ve örtük yanıt önlemleri gibi yenilikçi nöropazarlama metodolojilerini uygulamak. Elbette bu teknikler her geçen gün daha yaygın iş uygulamaları haline geliyor. Ayrıca, yeni donanım ve yazılımlarının geliştirilmesi, her iki alanın da kabulünü ve kullanımını artırmaya yardımcı olmuştur. Örneğin saat başı tweet sayısını tespit etmek ya da önemli bir görsel algılandığında sevinç düzeyini ölçmek. Gerçekten de, bilgiyi iş kararları için eyleme geçirilebilir kavrayışlara dönüştürmek, işleyebilmek ve uygulayabilmek elde etmekten çok daha zordur. Yeni donanım ve yazılımların geliştirilmesi her iki alanında kabulünü ve kullanımını artırmaya yardımcı olmuştur.
Bugün sınırsız ve heterojen kaynaklardan elde edilebilen tahmin edilemez miktarda zengin, yapılandırılmamış ve ilgisiz gibi görünen veri göz önüne alındığında gereken şey, kalıpları tespit etmek ve o veri dağından içgörüler çıkarmak için etkili bir arama yöntemidir. Yaygın olarak kullanılan korelasyon veya doğrusal regresyon teknikleri gibi geleneksel analiz yöntemleri, hem büyük verilerin hem de nöropazarlama verilerinin sonuçlarıyla oldukça hızlı bir şekilde geliştirilmiştir. Tüm alınan verileri işlemek ve gizli bilgi kalıplarını ortaya çıkarmak için sinir ağı analizi gibi heftier veri madenciliği araçlarına ihtiyaç vardır. Bu, büyük veriler ve nöropazarlama arasında verimli bir işbirliği için başlangıç noktasıdır. Etkili “zihin madenciliği” elde etmek için büyük veriler ve nöropazarlama araçlarının birlikte kullanılması hızla objektif sonuçlara götürecektir.
Büyük veri kümelerinde gizli yapıları ortaya çıkarmak için veri madenciliği teknikleri
Şirketler, iş sonuçlarını iyileştirmek için nasıl, neden veya ne zaman kullanacaklarını bilmeseler bile, her gün gittikçe daha fazla veri topluyorlar. Sıradan ve yalıtılmış verilerdeki “silolar” karar almayı otomatik olarak desteklemez. Bunun yerine, kanıta dayalı bilim, özellikle de değişkenler arasındaki tutarlı örüntülerin ve ilişkilerin tanımlanması için değerli bilgileri ortaya koymak için verilerin anlamlı bilgiye dönüştürülmesini gerektirir. Bu nedenle, zorluk verileri elde etmekte değil, gerçek zamanlı ve gelecekteki eylemleri desteklemek için bilgi keşifleri için (doğru) verileri analiz etmektedir.
Bu bağlamda, veri madenciliği tekniklerine ve tahmine dayalı analitik kullanımı giderek daha popüler hale gelmektedir. Tahmini veri madenciliğinin ünlü bir örneği, Barak Obama’nın 2012 seçim kampanyasıdır. (Issenberg, 2012)
Obamanın analitik ekibi bireysel seçmenlerin yönelimlerini belirledi ve hangi seçmen gruplarının sosyal medya veya TV reklamı gibi çeşitli kampanya temas noktalarından olumlu etkileneceğini tahmin etti. Özelikle Obama Kampanyası, gelişmiş veri madenciliği tekniklerinin en büyük değerinin, herhangi bir insan zihninin kavrama veya hatta tanıma kapasitesinin ötesinde olan gizli yapıları ve bilinmeyen ilişkileri tanımlama yetenekleri olduğunu buldu.
Veri madenciliği teknikleri, (geleneksel çok değişkenli analiz yöntemlerinin kısıtlamaları karşısında) ile sınırları geliştirdi. Canlı sistemlerde bulunanlar gibi karmaşık, doğrusal olmayan ve dinamik ilişkileri pratik bir şekilde ortaya koyabilirler. Son 25 yılın tarihi- World Wide Web’in doğumundan, günlük yaşamın neredeyse her alanın kapsamlı dijitalleşmesinde ve otomasyonuna kadar- mevcut büyük veri dönemine yol açtı. Bugün, veri bilimcisinin rolü, (Davenport & Patil (2012) tarafından Harward Business Review’da ilan edilen) “21.yüzyılın en seksi” işi olabilir.
Zihindeki gizli yapıları ortaya çıkarmak için nöropazarlama araçları
Uygulamalı bir bilim olarak, nöropazarlama beyin araştırmaları, bilişsel sinirbilim, nöropsikoloji ve sosyal psikoloji ve diğer ortaya çıkan disiplinlerden araçlar kullanır. Araçları kullanmanın ardındaki motivasyon elektroensefalografi (EEG), elektrodermal aktivite (EDA) veya örtük ilişkilendirme testi gibi pazarlama sorunlarını özellikle de klasik pazarlama (4P ürün, fiyat, promosyon,yer) ile ilgili olarak çözmektir.
Tüm bu kaynak disiplinleri arasında sinirbilim, tüketici kararını tüketici araştırması perspektifinden inceleyerek pazarlama bilimi ve iş uygulamaları için önemli bilgiler sağlamıştır. Çalışma belleği ve muhakeme ile ilgili beyin bölgelerinde aktivasyonun azalması ve duygu işleme ve kendini yansıtma ile ilişkili alanların aktivitesinin artması. Yakın geçmişte müşterilerin bilinçsiz ve otomatik, sözde örtük süreçlerin “kara kutusuna” geçme vaadiyle nöropazarlama için beklentilerin ortaya çıkması şaşırtıcı değildir. Pazarlamacılarda nörobilime dayalı tekniklerin odak grupları, görüşmeler veya öz raporlar gibi geleneksel yöntemlerle elde edilemeyen tüketici tercihleri hakkındaki bilgileri ortaya koyabileceğine dair büyük umutlar oluşmuştur. Müşterinin zihnini aydınlatmak için beyinle ilgili bilgilerin ölçümü, nöropazarlama araçlarını uygulamanın beklenen faydasıdır.
Örnek çalışma: Örtük ve açık kullanıcı deneyimi verilerinde gizli kalıpları ortaya çıkarmak için yapay sinir ağları uygulamak
Bütünleştirici bir analiz yaklaşımının nasıl çalışabileceğini değerlendirmek için, bir akıllı telefon arayüzü ile etkileşime girerken insanların açık ve örtük kullanıcı deneyimlerini (UX) inceleyen bir vaka çalışması yapılmıştır. Katılımcılar çeşitli görevlerde bulunurken (örneğin kısa mesaj yazma, uygulama yükleme gibi) iki örtük yanıt kaydedildi. Görevle ilgili ortalama bilişsel iş yükü (EEG kullanarak) ve ortalama uyarılma (EDA kullanarak) Ayrıca, katılımcıların UX’in iki yönüne ilişkin açık derecelendirmeleri, görevle ilgili kullanışlılık ve kullanım kolaylığı her ikisi de 5 noktalı Likert ölçeğinde toplanmıştır. Ayrıca, görev sonuçları (başarısız veya başarılı), görev memnuniyeti (5 noktalı Likert ölçeğinde) ve ürün önerisi (11 noktalı anlamsal fark) UX temel performans göstergeleri olarak alınmıştır. (bkz. Şekil 2)
Laboratuar çalışmasına 19 denek katıldı. Her denek 5-6 tane UX görevini yerine getirdi. Böylece, son veri kümesine 95 UX vakası dahil edildi. Veri setine NEUSREL(Neusrel istatiksel yazılım paketi) kullanılarak Evrensel Yapı Modelleme (USM)analizi uygulandı.
USM yapısal denklem modellerini (SEM) test etmek için Bayes sinir ağı yaklaşımı kullanıldı. Bu veri madenciliği tekniği, model yapılar arasındaki doğrusal olmayan ve etkileşimli etkileri ölçebilir ve görselleştirebilir. USM, yalnızca önceden belirlenmiş varsayımsal yolları olan modelleri tahmin edebilen daha geleneksel SEM yaklaşımlarının (LISREL veya Kısmi en küçük kareler gibi) aksine, gizli model yapılarını bulma ve test etme konusunda daha açıklayıcı bir yaklaşımı temsil eder. (Buckler ve Hennıg Thurau, 2008)
Sonuçlar şekilde gösterilmiştir. Belirleme katsayısı (R-kare değeri) sonuçları ile ilgili olarak, entegre yaklaşım ( hem örtük hem de açık testleri içeren) ve USM yaklaşımı bağımlı değişkenin görev doyumunu tahmin etmek için en iyi performansı göstermiştir. Gerçekten de Rkare değeri, geleneksel UX değerlendirmesi (sadece açık testler) ve analitik yaklaşım için kabaca iki kat daha yüksektir. (çağdaş pazarlama araştırmalarında hala sıklıkla uygulanan iki yaklaşım)
Bütünleştirici ölçüm yaklaşımının üstün performansının büyük ölçüde doğrusal olmama ve etkileşim etkilerinin saptanmasına dayalı görülmektedir. (KDI) etkisi seçilen KPI’lara bağlı olarak değişir. Görev başarısı ve görev memnuniyeti ile ilgili olarak sonuçlar bilişsel iş yüküne göre en yüksek etki gücünü (burada: ortalama benzetilmiş etki, ASE) gösterir. İnsan-bilgisayar etkileşimi alanındaki araştırmaya göre, iş yükünün etkisi negatiftir, yani yüksek iş yükü hata olasılığını arttırır ve denekler hayal kırıklığına uğradığı için algılanan memnuniyet azaltır.
Ürün önerileri için, kullanışlılığın açık bir şekilde ölçümlenmesi en yüksek etkiyi gösterir. Algılanan kullanışlılık ne kadar yüksek olursa, ürünü tavsiye etme niyeti o kadar yüksek olur. Son olarak entegre örtük ve açık ölçümler kullanıldığında tahmini görev sonucuna ilişkin USM tahmin doğruluğu en yüksektir. Bu, başarılı bir görev sonucunu tahmin ederken özellikle doğrudur. Birlikte ele alındığında, bu sonuçlar performansın entegre, örtük-açık bir analiz yaklaşımı kullanılarak en doğru şekilde tahmin edilebileceğini göstermektedir.
Öngörülü Zihin Madenciliği Analizi:
Carla Nagel’in bu makalenin başındaki “büyük veri ve nöropazarlama arasındaki rekabet mi yoksa birbirlerini tamamlıyorlar mı?” sorusuna dönecek olursak, bu durumda her iki yaklaşımın de en iyi unsurlarını entegre etmenin, müşteri anlayışının ve pazarlama iş sonuçlarını geliştirmede en yüksek potansiyeli sağladığını görüyoruz. Veri analizi için büyük veri kaynaklı gelişmiş veri madenciliği teknikleri ile işbirliği içinde veri toplamak için nöropazarlamanın gelişmiş araçlarını kullanmak, gelecekteki yönetim eylemlerini optimize etmek için etkili bir bilgi ve ve karar destek platformu sağlar. Sonuç olarak, HBR alıntısına göre “öngörücü zihin madenciliği analizi” pazarlamadaki en sıcak iştir.
Kaynakça:
- Ariely, D., Berns, G.S. (2010): Neuromarketing: the hope and hype of neuroimaging business. Nature Reviews Neuroscience, 11(4), 284–292.
- Buckler, F., Hennig-Thurau, T. (2008). Identifying Hidden Structures in Marketing’s Structural Models Through Universal Structure Modeling: An Explorative Bayesian Neural Network Complement to LISREL and PLS. Marketing – Journal of Research and Management, 4(2), 47–66.
- Davenport, T.H., Patil, D.J. (2012). Data Scientist: The Sexiest Job of the 21st Century. Harvard Business Review, October 2012, 70–76.
- Deppe, M., Schwindt, W./Kugel, H., Plassmann, H., Kenning. P. (2005).Nonlinear responses within the medial prefrontal cortex reveal when specifi c implicit information infl uences economic decision making. Journal of Neuroimaging, 15(2), 171–182.
- Issenberg, S. (2012). How President Obama’s campaign used big data to rally individual voters. MIT Technology Review, www.technologyreview.com/featuredstory/509026/how-obamas-team-used-big-data-to-rally-voters. Accessed 2015/12/11.
- Nagel, C. (2015). The Battle: Big Data vs. Neuromarketing.Competing or complementing for better consumer understanding? Neuromarketing Theory & Practice, 13, August 2015, 24–26.
- Neusrel (2015). Neusrel Analytic Software. www.neusrel.com/causal
Çeviri: Zeynep Çetin
Kaynak: Steffen Schmidt, Philipp Reiter, Neuromarketing Theory & Practice, Mart 2016
